Python 分位数回归/预测区间的H2o网格搜索

我目前正在使用H2o DeepLearning和GradientBoosting通过分位数回归计算预测区间。在H2o中，您必须为每个间隔构建和训练单独的模型，例如：

对于95%预测区间，下限

（100-95）/2）=2.5%

和上限

（100-（100-95）/2）=97.5%

需要单独的模型。 现在，我正试图通过网格搜索优化模型参数。最好的方法是什么

对其中一个模型运行网格搜索，并对所有模型使用网格中最佳模型的参数

或者为每个模型运行一个单独的网格，最终得到两个参数不同的模型

我担心的是，在方案2中，整个时间间隔将不一致，因为两个模型不再具有可比性

---

有人有过这种经验吗？

你能解释一下，这两种模型不再具有可比性，时间间隔也不一致是什么意思吗？对于选项二，您想比较两个模型（在不同的分位数上训练）在整个时间间隔内的表现吗？这只是一个假设。当我从两个不同模型的输出中得到一个区间时，有人会建议这两个模型应该有任何联系（例如，相同的参数集）。在选项2中，我将有两个完全不同的模型（虽然是在相同的数据上训练的）。为了得到一个区间，合并输出仍然有意义吗？